AI går på jakt: Hur agenter spårar kryptobrottslingar

Att spåra brottslingar i blockkedjan brukade vara en lång och utmattande process, där varje ny plånbok kunde leda en utredning in i en återvändsgränd. Idag tas detta arbete i allt högre grad över av artificiell intelligens: den sätter snabbt ihop fragmenterade överföringar och förvandlar dem till en sammanhängande bild. Och detta förändrar inte bara utredningsmetoderna, utan också spelreglerna för hela kryptomarknaden.

Från pseudonymitet till transparens

Situationen började förändras i och med att reglerna blev tydligare. USA, Europa och länder i Asien skärpte kraven på börserna, införde kundkännedom och övervakning av misstänkta transaktioner. Samtidigt utvecklades analysverktyg för blockkedjor som lärde sig att gruppera adresser, spåra fondflöden och koppla dem till tjänster i den verkliga världen.

Resultatet är att ett system som länge betraktats som praktiskt taget anonymt håller på att förvandlas till en av de mest transparenta finansiella infrastrukturerna. Blockchain har alltid varit en offentlig huvudbok. Nu kan dessa spår också snabbt läsas, korreleras och tillskrivas.

Hur marknaden för "blockchain-läsning" uppstod

Företag som Elliptic, Chainalysis och senare TRM Labs började bygga plattformar som samlar in data från flera blockkedjor, klustrar adresser, spårar fondflöden och flaggar för riskfylld aktivitet. Det är viktigt att notera att dessa lösningar aldrig riktade sig till privatpersoner, utan till stora kunder - myndigheter, brottsbekämpande myndigheter, banker och kryptobörser.

Börser använder sådana system för att screena transaktioner och kunder, banker för att undvika att hantera "smutsiga" fonder och myndigheter för utredningar och sanktioner.

Loading...

Tweeten raderades av författaren.

Men vi sparade allt 🙂.

Framför allt bevisades deras effektivitet snabbt i praktiken. Dessa verktyg har använts i utredningar av storskaliga penningtvättssystem, nedstängning av olagliga tjänster och spårning av transaktioner kopplade till sanktionerade jurisdiktioner.

Hur AI kom in i blockchain-analys

AI blev det verktyg som, långt före den nuvarande boomen, hjälpte till att påskynda blockkedjeanalysen. Redan 2019 publicerade Elliptic tillsammans med MIT-IBM Watson AI Lab en stor märkt dataset med Bitcoin-transaktioner för att träna modeller som syftar till att upptäcka olaglig aktivitet.

Dessa metoder adresserade marknadens kärnproblem - datavolymen. När det handlar om miljarder transaktioner och komplexa rutter över flera nätverk kan en människa helt enkelt inte bearbeta all information snabbt. Därför förlitade sig analytikerna i allt högre grad på modeller som kunde identifiera mönster i massiva datamängder och avslöja kopplingar som var osynliga för manuell analys. År 2024 rapporterade Elliptic en ny studie baserad på nästan 200 miljoner Bitcoin-transaktioner, där en modell tränats att upptäcka inte bara enskilda misstänkta plånböcker utan hela penningtvättssystem.

Med tiden utvidgades dessa systems roll. De började inte bara flagga för risker utan också hjälpa till att strukturera utredningar: spåra fondflöden, föreslå möjliga kopplingar mellan adresser och minska analystiden. Elliptic uppgav uttryckligen att sådana modeller hjälpte till att avslöja nya tvättprogram och tidigare okända olagliga plånböcker, och att resultaten redan används för att förbättra deras produkter.

Loading...

Tweeten raderades av författaren.

Men vi sparade allt 🙂.

AI blev i själva verket ett "osynligt lager" inom analysplattformarna. Men även med dessa möjligheter kvarstod en viktig begränsning: systemet hjälpte analytikerna men kunde inte helt ersätta deras arbete.

När AI slutar att bara vara ett verktyg

I praktiken förändrar detta hur blockchain-data hanteras. En användare formulerar en fråga på naturligt språk, och systemet väljer oberoende relevanta data, bygger den analytiska logiken och producerar ett svar. Chainalysis betonar att sådana lösningar bygger på miljarder transaktioner och miljontals tidigare utredningar - vilket innebär att de effektivt arbetar med en ackumulerad kunskapsbas av typiska fondflöden, risker och system.

Loading...

Tweeten raderades av författaren.

Men vi sparade allt 🙂.

Den viktigaste förändringen är att analytikerns roll börjar förändras. Tidigare genomförde en människa utredningen från början till slut, medan systemet bara påskyndade отдельных этапов. Nu kan maskinen spåra fondvägar, strukturera fakta och sammanställa dem i en rapport för ytterligare verifiering. Enligt företaget kan detta i vissa fall redan reducera komplexa utredningar från dagar till minuter.

Samtidigt förändras inträdesbarriärerna i takt med att tillgången till analys gradvis ökar - inte bara för smala specialister och stora aktörer, utan även för ett bredare spektrum av marknadsaktörer som kan formulera frågor och få färdiga insikter.

I själva verket rör sig marknaden från verktyg som bara påskyndar analysen till system som tar över en del av tänkandet i processen.

När transparens blir en marknadsregel

Detta innebär att riskdata förvandlas till en konkurrensfördel. De som upptäcker problematiska rutter tidigare är mindre benägna att förlora tid på grund av förseningar, möta blockeringar eller hantera misslyckade avvecklingar. Analysen av fondernas ursprung håller gradvis på att bli en lika viktig del av handelsinfrastrukturen som avgifterna eller handelshastigheten.

För den legitima marknaden är detta i stort sett goda nyheter: mer förutsägbarhet, färre giftiga fonder och högre förtroende från traditionell finansiering. För dem som verkar i gråzoner är det tvärtom. Men den viktigaste punkten är en annan: en marknad som byggt sitt rykte på opacitet blir alltmer omöjlig att skilja från traditionell finansiell infrastruktur. Och det kan vara den viktigaste konsekvensen - inte för tillsynsmyndigheter, utan för själva kryptomarknaden.